ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

نقشه برداری رقومی فرسایش پذیری خاک (مطالعه موردی: دهگلان، استان کردستان)

Year: 1396
COI: JR_JWSC-24-6_005
Language: PersianView: 212
This Paper With 17 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 17 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

فریبا گلمحمدی - دانشجوی کارشناسی ارشد
کمال نبی اللهی - استادیار گروه علوم و مهندسی خاک، دانشگاه کردستان
روح اله تقی زاده مهرجردی - استادیار و عضو هیات علمی دانشگاه اردکان
مسعود داوری - هیات علمی

Abstract:

سابقه و هدف: فرسایش پذیری خاک یکی از خصوصیات بسیار مهم خاک می باشد که بررسی تغییرات مکانی آن، جهت مدیریت زراعی، تخریب اراضی و مطالعات زیست محیطی حائز اهمیت می باشد. بنابراین اطلاع از تغییر پذیری مکانی فرسایش پذیری خاک نقش مهمی در مدل سازی فرسایش آبی دارد. بررسی تغییرات فرسایش پذیری خاک به شیوه های مرسوم گران و زمان بر است . لذا یکی از راه های حل این چالش استفاده از نقشه برداری رقومی خاک است که می تواند خصوصیات خاک را با استفاده از داده های کمکی و مدل های داده کاوی به صورت رقومی پیش بینی کند. هدف از این تحقیق استفاده از مدل های شبکه عصبی مصنوعی و جنگل تصادفی و داده های کمکی برای تهیه نقشه فرسایش پذیری خاک می باشد. مواد و روش: با استفاده از روش نمونه برداری تصادفی طبقه بندی، تعداد 100 نمونه خاک از عمق 30-0 سانتی متری خاک های منطقه دهگلان استان کردستان (با وسعت 48701 هکتار) برداشت شده و خصوصیت بافت خاک، شن ریز، کربن آلی، نفوذپذیری، ساختمان خاک و فرسایش پذیری خاک (با استفاده از معادله ویشمایر و اسمیت) اندازه گیری و محاسبه شد. متغیرهای محیطی در این پژوهش اجزاء سرزمین و داده های تصویر +ETM بودند. پارامترهای سرزمین ( شامل 15 پارامتر) و شاخص رس و شاخص گیاهی نرمال شده (NDVI) به ترتیب با استفاده از نرم افزار SAGA و ArcGIS10.3 محاسبه و استخراج گردید. جهت ارتباط بین فرسایش پذیری خاک و متغیرهای کمکی از مدل های جنگل تصادفی و شبکه عصبی مصنوعی بهره گرفته شد و با استفاده از روش اعتبارسنجی دوجانبه مورد ارزیابی قرار گرفت. در نهایت نقشه شوری خاک با استفاده از مدل بهتر تهیه شد. یافته ها: برای پیش بینی فرسایش پذیری خاک، متغیرهای کمکی شامل شاخص خیسی، شاخص همواری دره، شیب، شاخص رس، شاخص NDVI و باند 7 مهم ترین بودند. نتایج این تحقیق نشان داد که دو مدل (شبکه عصبی مصنوعی با 80/0، 003/0 و 021/ و جنگل تصادفی با 76/0، 005/0 و 024/ به ترتیب0برای ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا) دارای دقت نزدیک به هم برای پیش بینی فرسایش پذیری خاک بودند. فرسایش پذیری خاک در محدوه بین 05/0 -0 تن ساعت بر مگا ژول میلی متر قرار داشت و بیش ترین مقادیر فرسایش پذیری خاک در مناطق مرتفع جنوبی با شیب زیاد و پوشش گیاهی کم مشاهده شد. در کلاس شیب بیشتر از 10 درصد فرسایش پذیری خاک بیشتر از سایر کلاس های شیب بود. همچنین کلاس شیب بیشتر از 10 درصد، دارای کمترین مقادیر داده های کمکی شامل شاخص خیسی، شاخص همواری دره با درجه تفکیک بالا، شاخص رس و باند7 و بیشترین مقدار شاخص NDVI بود. نتیجه گیری: در پژوهش حاضر از مدل های شبکه عصبی مصنوعی و جنگل تصادفی جهت بررسی تغییرات مکانی فرسایش پذیری خاک در منطقه دهگلان استان کردستان استفاده شد. میزان فرسایش پذیری خاک در کلاس شیب > 10% در مقایسه با سایر کلاس های شیب بیشتر بود. شاخص NDVI مهمترین متغیر کمکی در پیش بینی فرسایش پذیری خاک در منطقه بود. همچنین شبکه عصبی مصنوعی و جنگل تصادفی بر اساس نتایج شاخص های آماری شامل ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا ( به ترتیب 80/0، 003/0 و 021/ برای شبکه عصبی مصنوعی و 76/0، 005/0 و 024 برای جنگل تصادفی) برآورد دقیقی از فرسایش پذیری خاک داشتند. پیشنهاد می گردد جهت نقشه برداری رقومی خصوصیات خاک و به روز کردن نقشه های قدیمی از تکنیک های پدومتری (همچون مدل شبکه عصبی مصنوعی و جنگل تصادفی) و داده های کمکی اجزاء سرزمین و تصاویر ماهواره ای استفاده شود. همچنین پیشنهاد می گردد که فرسایش پذیری خاک مستقیما اندازه گیری شده و نتایج آن با این مطالعه مقایسه گردد.

Keywords:

Paper COI Code

This Paper COI Code is JR_JWSC-24-6_005. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/953756/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
گلمحمدی، فریبا و نبی اللهی، کمال و تقی زاده مهرجردی، روح اله و داوری، مسعود،1396،نقشه برداری رقومی فرسایش پذیری خاک (مطالعه موردی: دهگلان، استان کردستان)،https://civilica.com/doc/953756

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :

  • Bonilla, C.A., and Johnson, O.I. 2012. Soil erodibility mapping and ...
  • properties in Central Chile. Geoderma. 189: 116-123. ...
  • Brus, D.J., Kempen, B., and Heuvlink, G.B.M. 2011. Sampling for ...
  • maps. Eur. J. Soil Sci. 62: 394-407. ...
  • Dai, P.F., Qigang, Z., Zhiqiang, L.V., Xuemei, W., and Gangcai, ...
  • prediction of soil organic matter content integrating artificial neural network ...
  • kriging in Tibetan Plateau. Ecol. Ind. 45: 184-194. ...
  • Gallant, J.C., and Dowling, T.I. 2003. A multiresolution index of ...
  • mapping depositional areas. Water Resour. Res. 39: 12. 1347-1360. ...
  • Gee, G.W., and Bauder, J.W. 1986. Particle size analysis. P ...
  • Methods of Soil Analysis. Part 1. American Society of Agronomy. ...
  • Hengel, T., Rossiter, D.G., and Stein, A. 2003. Soil sampling ...
  • by correlation with auxiliary maps. Geoderma. 120: 75-93. ...
  • Heung, B., Bulmer, C.E., and Schmidt, M.G. 2014. Predictive soil ...
  • a regional-scale: a random forest approach. Geoderma. 214-215: 141-154. ...
  • Jafari, A., Khademi, H., Finke, P., Wauw, J.V.D., and Ayoubi, ...
  • soil great groups by boosted regression trees using a limited ...
  • southeastern Iran. Geoderma. 232-234: 148-163. ...
  • Kang, S., Zhang, L., Song, X., Zhang, S., Liu, X., ...
  • sediment loss responses to rainfall and land use in two ...
  • Plateau of China. Hydrol. Process. 15: 977-988. ...
  • Lado, M., Paz, A., and Ben-Hur, M. 2004. Organic matter ...
  • infiltration, seal formation, and soil loss. Soil Sci. Soc. Am ...
  • Malone, B.P., McBratney, A.B., Minasny, B., and Laslett, G.M. 2009. ...
  • depth functions of soil carbon storage and available water capacity. ...
  • Marcel, G.S., Feike, J.L., Martinus, T., and van Genuchten, H. ...
  • Analysis for Hierarchical Prediction of Soil Hydraulic Properties. Soil Sci. ...
  • Marchetti, A., Piccini, C., Francaviglia, R., and Mabit, L. 2012. ...
  • Organic Matter Using Geostatistics: A Key Indicator to Assess Soil ...
  • Central Italy. Pedosphere. 22: 2. 230-242. ...
  • McBratney, A.B., Santos, M.L.M., and Minasny, B. 2003. On digital ...
  • Geoderma. 117: 3-52. ...
  • McIntosh, P., and Laffan, M. 2005. Soil erodibility and erosion ...
  • cornerstone soil conservation concepts to headwater streams in the forestry ...
  • Tasmania. For. Ecol. Manage. 220: 1. 128-139. ...
  • Minasny, B., and McBratney, A. 2002. The method for fitting ...
  • pedotransfer functions. Soil Sci. Soc. Am. J. 66: 2. 352-361. ...
  • Nabiollhi, K., Haidari, A., and Taghizadeh-Mehrjardi, M. 2014. Digital mapping ...
  • texture using regression tree and ann in Bijar, Kurdistan. J. ...
  • Nelson, D.W., and Sommers, L.E. 1982. Total carbon, organic carbon, ...
  • P 539-594, In: A.L. Page and D.R. Keeney (Eds.), Methods ...
  • Chemical and Microbiological Properties. ASA-SSSA, Madison, WI. ...
  • Nosrati, H., and Eftekhari, M. 2014. A new approach for ...
  • Comput. Intell. Electron. Syst. 4: 71-83. (In Persian) ...
  • Pahlavan-Rad, M.R., Toomanian, N., Khormali, F., Brungard, C.W., Komaki, C.B., ...
  • Bogaert, P. 2014. Updating soil survey maps using random forest ...
  • hypercube sampling in the loess derived soils of northern Iran. ...
  • Panagos, P., Meusburger, K., Ballabio, C., Borrelli, P., and Alewell, ...
  • in Europe: A high-resolution dataset based on LUCAS. Sci. Total ...
  • Parvizi, Y., Manochehr, G., Mahmoud, O., Mahdian, M.H., and Amini, ...
  • Determination of Soil Organic Carbon Variability of Rainfed Crop Land ...
  • Region (Neural Network Approach). Mod Appl Sci. 4: 7. 25-33. ...
  • Shirazi, M.A., and Boersma, L. 1984. A unifying quantitative analysis ...
  • Sci. Soc. Am. J. 48: 142-147. ...
  • Somaratne, S., Seneviratne, G., and Coomaraswamy, U. 2005. Prediction of ...
  • Carbon across Different Land-use Patterns: A Neural Network Approach. Soil ...
  • Taghizadeh-Mehrjardi, R., Nabiollahi, K., Minasny, B., and Triantafilis, J. 2015. ...
  • data mining classifiers to predict spatial distribution of USDA-family soil ...
  • region, Iran. Geoderma. 253-254: 67-77. ...
  • Taghizadeh-Mehrjardi R., Nabiollahi K., and Kerry, R. 2016. Digital mapping ...
  • carbon at multiple depths using different data mining techniques in ...
  • Geoderma. 253-254: 67-77. ...
  • Taghizadeh-Mehrjardi, R. 2016. Modern concepts in Soil Science (Pedometric). Ardakan ...
  • Univ. Press, 311p. (In Persian) ...
  • Taghizadeh-Mehrjardi, R., Minasny, B., Sarmadian, F., and Malone, B.P. 2014. ...
  • mapping of soil salinity in Ardakan region, central Iran. Geoderma. ...
  • Vasques, G.M., Dematte, J.A.M., Viscarra Rossel, R.A., Ramirez-Lopez, L., and ...
  • 4. Soil classification using visible/near-infrared diffuse reflectance spectra frommultiple ...
  • depths. Geoderma. 223-225: 73-78. ...
  • Wischmeier, W.H., and Smith, D.D. 1978. Predicting rainfall erosion losses: ...
  • conservation planning. Agric. No. 282. US of Agriculture, Washington, DC. ...
  • Yu, D.S., Xue-Zheng, S., and Weindorf, D.C. 2006. Relationships between ...
  • and erodibility of cultivated acrisols and cambisols in subtropical China. ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم
    این Paper در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    Share this page

    More information about COI

    COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

    The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

    Support